HunyuanOCR提示词清单:12种任务类型覆盖文档解析、公式识别与图片翻译

原创2026-10-20 11:29:491,721 阅读
文章标签:人工智能大模型计算机视觉多模态OCR

HunyuanOCR提示词清单:12种任务类型覆盖文档解析、公式识别与图片翻译

HunyuanOCR 是腾讯开源的轻量级 OCR 视觉语言模型,文档解析、公式识别与图片翻译全靠提示词驱动。本文把官方支持的 12 种任务类型对应的 HunyuanOCR 提示词整理成一份即查即用的清单:查表选任务类型、直接复制提示词,输出格式稳定可预期。

先认识 HunyuanOCR:一个模型打通 4 大 OCR 场景

HunyuanOCR-1.5 是一个约 1B 参数、端到端的 OCR 专用视觉语言模型(VLM),它不是一堆零散工具的拼接,而是把以下能力统一在一个模型里:

  • 📄 文档解析:整页文档转 Markdown,表格转 HTML、公式转 LaTeX
  • 🔍 文字识别(Text Spotting):同时输出文字内容和坐标位置
  • 📋 信息抽取:从票据、表单、截图中提取指定字段
  • 🌐 图片翻译:先识别再翻译,支持中、英互转

模型支持最高 4K 图像分辨率、128K 上下文窗口,长文档、密集表格这类长结构化输出也是它的强项。架构细节可参考 config.json(24 层、120818 词表)和 README.md。

为什么提示词是 HunyuanOCR 使用好坏的关键

HunyuanOCR 是"指令驱动"的:同一张文档图片,提示词不同,输出就完全不同——

  • 说"用 markdown 表示正文" → 得到 Markdown 结构化文档
  • 说"表格用 HTML 表达" → 得到可直接渲染的 HTML 表格
  • 说"公式用 LaTeX 表示" → 得到标准 LaTeX 公式
  • 说"将文本坐标格式化输出" → 得到文字 + 位置坐标的 spotting 结果

官方 vLLM 推理客户端通过 --task-type 参数把提示词锁定为对应任务类型,省去手写和格式漂移的问题(任务类型清单见 README.md)。所有官方推理路径统一使用确定性采样:temperature=0.0、top_p=1.0、top_k=-1、repetition_penalty=1.08,保证同图同提示词输出一致。

12 种官方任务类型速查表

运行 --list-tasks 可查看全部任务类型,完整清单收录于 README.md:

# 任务类型 参数值 适用场景 典型输出
1 文档解析(默认) doc_parse 整页文档、论文、报告 Markdown + HTML 表格 + LaTeX 公式
2 结构化解析 structured_parse 需要保持版面结构的文档 结构化版面文本
3 文字识别(JSON) spotting_json 需要文字坐标的场景 文字 + 坐标(JSON)
4 文字识别(混元格式) spotting_hunyuan 混元生态对接 文字 + 坐标(混元格式)
5 版面检测 layout 分析页面布局结构 版面区域信息
6 版面解析 layout_parse 布局 + 内容一体化解析 版面结构 + 区域内容
7 图表解析 chart_parse 流程图、统计图表 Mermaid / Markdown 图表描述
8 公式识别 formula 数学/科学公式截图 LaTeX 公式
9 表格解析 table 复杂表格图片 HTML 表格
10 文档翻译(英→中) doc_trans_en2zh 英文文档翻成中文 中文译文文档
11 图片翻译(→英) trans_other2en 外文内容翻译成英文 英文译文
12 图片翻译(→中) trans_other2zh 外文内容翻译成中文 中文译文

💡 记忆技巧:doc_ 前缀管整页文档,spotting_ 前缀管文字定位,trans_ / doc_trans_ 前缀管翻译,其余按单词直译即可。

文档解析、公式识别与表格解析提示词(可直接复制)

以下提示词摘自官方仓库,可直接作为 user 消息发送:

文档解析(doc_parse 默认提示词)

提取文档图片中正文的所有信息用markdown格式表示,其中页眉、页脚部分忽略,
表格用html格式表达,文档中公式用latex格式表示,按照阅读顺序组织进行解析。

这条是出现频率最高的一条:忽略页眉页脚避免噪声,表格走 HTML、公式走 LaTeX,阅读顺序保证长文不乱序(原文见 README.md)。

公式识别(formula)

识别图片中的公式,用LaTeX格式表示。

表格解析(table)

把图中的表格解析为HTML。

图表解析(chart_parse)

解析图中的图表,对于流程图使用Mermaid格式表示,其他图表使用Markdown格式表示。

文字识别、信息抽取与图片翻译提示词

文字识别(spotting)

检测并识别图片中的文字,将文本坐标格式化输出。

通用文字提取

提取图中的文字。

信息抽取(三种常用写法)

输出Key的值。
提取图片中的: ['key1','key2'] 的字段内容,并按照JSON格式返回。
提取图中的字幕

图片翻译(以翻译成英文为例)

先提取文字,再将文字内容翻译为英文。若是文档,则其中页眉、页脚忽略。
公式用latex格式表示,表格用html格式表示。

把"英文"换成"中文"即为翻译成中文的提示词;整页文档翻译建议直接使用 doc_trans_en2zh / trans_other2zh 任务类型。

以上场景化提示词汇总表完整收录于 v1.0/README.md。

HunyuanOCR 提示词的两种使用方式

方式一:官方客户端 + 任务类型参数(推荐)

vLLM 服务启动后,客户端自动锁定提示词、采样参数与流式输出清理:

python inference/vLLM/infer_vllm_client.py \
    --host 127.0.0.1 --port 8000 \
    --model tencent/HunyuanOCR \
    --image /path/to/document.png \
    --task-type doc_parse \
    --max-tokens 32768

批量目录推理用 batch_infer.py,支持多端点并发与断点续跑。

方式二:OpenAI 兼容接口直接传中文指令

把图片 + 上面任意一条中文提示词放进 messages 即可,适合快速验证自己的提示词写法。注意补上官方采样参数(temperature=0.0、extra_body 中传 top_k=-1、repetition_penalty=1.08),完整示例见 README.md。

让输出更稳定的 4 个实战技巧

  1. 长文档把 --max-tokens 调大:密集文档、大表格输出很长,建议 32768。
  2. 防"复读机"尾巴:长输出偶发重复结尾,客户端已内置提前停止与清理逻辑;自己调 API 时务必保留 repetition_penalty=1.08。
  3. markdown 归一化可开关:doc_parse 结果默认做 Markdown 规范化,加 --no-doc-postprocess 可关闭。
  4. 长输出加速:配合 DFlash 投机解码草稿模型,密集文档、表格、公式等长结构化输出的解码时延明显下降,且输出分布无损(详见 dflash/README.md)。

相关配置文件速查

文件 作用
README.md 官方完整用法、环境与 12 种任务类型
v1.0/README.md 场景化提示词汇总表(上一代存档)
config.json 模型架构:1B 参数、128K 上下文
chat_template.jinja 图文对话模板,图片占位符注入逻辑
preprocessor_config.json 图像预处理:分辨率与归一化参数
generation_config.json 生成终止符等生成配置
dflash/README.md DFlash 投机解码草稿模型说明

掌握这份提示词清单后,你可以只用一个模型、一套部署,按需切换提示词即可覆盖文档解析、公式识别、表格解析与图片翻译——这正是 HunyuanOCR "轻量 + 全能"的核心价值。

登录后查看全文
HunyuanOCR